MIMO开源项目 – 阿里开源的可控角色视频生成模型

MIMO是阿里开源的可控角色视频生成模型，支持通过一张图片生成虚拟角色动画视频。该项目不仅能够根据用户提供的简单输入（如角色、动作和场景）合成逼真的角色视频，还能在统一框架中实现任意角色的高级可扩展性、对新颖3D动作的通用性以及对交互式现实场景的适用性。项目地址、论文和在线演示均已公开，用户可以通过GitHub获取代码并尝试使用。

MIMO的特点:

1. 支持通过一张图片生成虚拟角色动画视频
2. 可控角色、动作和场景的视频合成
3. 高级可扩展性，适用于任意角色
4. 对新颖3D动作的通用性
5. 适用于交互式现实场景

MIMO的功能:

1. 通过GitHub获取代码并尝试使用
2. 访问在线演示体验功能
3. 根据论文进行研究和开发
4. 使用预训练模型进行视频生成

相关导航

AI Agents for Beginners开源项目 – 微软AI智能体入门课程

微软全新推出的AI智能体入门基础课程，专为初学者设计，涵盖构建AI智能体的基础知识。课程共包含10个教学单元，每个单元专注于一个特定主题，并提供可运行的代码示例。课程支持多语言版本，包括中文翻译，方便全球学习者参与。此外，课程还提供额外学习资源的链接，并计划下个月发布配套视频，以进一步辅助学习。

Sa2VA开源项目 – 多模态视频理解与分割模型

Sa2VA是由字节跳动、北京大学等机构的研究者提出的一个多模态模型，结合了SAM-2和LLaVA的优势，能够精准分割视频中的物体并理解视频内容，同时支持自然语言指令输入。该模型通过引入特殊的[SEG] Token，实现了SAM-2与LLaVA的连接，使其在视频理解与物体分割方面表现出色。

stable-diffusion-from-scratch开源项目 – 从零实现扩散模型的系统性教程

从零开始实现 Stable Diffusion，系统性讲解其工作原理和背后的数学，并提供训练一个扩散模型的步骤。

Compressor开源项目 – 免费的文件压缩工具

Compressor是一款免费开源的文件压缩工具，能够让您的文件体积更小。它以Web形式实现，支持在本地运行，且没有最大压缩限制，现已完成图片压缩功能。

IPTV-API开源项目 – 高度自定义的IPTV接口更新项目

IPTV-API 是一个可高度自定义的IPTV接口更新项目，支持自定义频道菜单，自动获取直播源，测速验效后生成可用的结果，实现秒播级体验。项目支持多种获取源方式，包括本地源、组播源、酒店源、订阅源和关键字搜索，并提供多种运行方式，如工作流、命令行、GUI软件和Docker。每天定时更新，确保用户获取最新、最稳定的直播源。

ConsiStory开源项目 – 无训练框架实现一致性图像生成

ConsiStory是英伟达研发的无训练框架，专为一致性图像生成而设计，支持SDXL和Stable Diffusion 3等主流架构。该框架通过先进的注意力机制和特征共享技术，确保在多人场景中主体一致性保持率高达98%，并在性能上较ControlNet提升23%。此外，ConsiStory还提供了布局多样性控制功能，允许随机生成背景的同时保持主体不变，同时兼容多种文生图模型，适用于广泛的图像生成任务。

Ghostty-Ubuntu开源项目 – Ubuntu终端增强工具

Ghostty-Ubuntu 是为Ubuntu用户设计的一键安装终端增强工具，旨在简化安装和更新过程，支持多版本Ubuntu及Debian系统。该项目由社区驱动，持续优化，提供.deb包，方便用户快速安装和使用。

Kokoro Web官网 – 免费开源的AI语音生成器

Kokoro Web 是一个完全免费且开源的在线AI语音生成工具，利用人工智能技术将文本转换为语音。用户可以通过简单的操作，选择不同的语音选项，生成高质量的语音输出。

Qwen1.5开源项目 – 强大的代码生成模型

Qwen1.5是由阿里巴巴达摩院研发的开源代码生成模型，基于Qwen1.5系列语言模型，在大量代码数据集上进行预训练，拥有强大的代码生成能力。它支持92种编程语言，最长支持64K的上下文输入，能够实现优秀的代码生成、长序列建模、代码修改和SQL能力。

LLM-Aided OCR开源项目 – 提升OCR扫描PDF的文本质量

LLM-Aided OCR 是一个基于大型语言模型（LLM）的开源工具，旨在通过结合光学字符识别（OCR）和LLM的纠错功能，将扫描的PDF文件转换为高准确度、格式正确且易于阅读的Markdown文档。该工具支持多种大语言模型的集成，包括本地LLM和云端API，适用于需要将扫描文档高质量数字化的场景。

ColiVara官网 – 基于视觉嵌入的文档检索工具

ColiVara是一个创新的文档检索API，利用视觉嵌入技术存储、搜索和检索文档，无需依赖传统的OCR或文本提取。它支持超过100种文件格式，包括PDF、DOCX、PPTX等，特别适合处理视觉丰富的内容，如表格、图表和复杂布局的文档。项目提供Python和TypeScript的SDK，方便开发者集成，目标是提升文档检索的效率和准确性，尤其在检索增强生成（RAG）应用中表现突出。

Awesome Diffusion V2V开源项目 – 扩散模型视频编辑资源集合

Awesome Diffusion V2V 是一个基于扩散模型的视频编辑技术和基准测试的资源集合。该项目汇集了多种视频编辑的关键技术和方法，旨在推动视频编辑领域的研究与应用。通过提供丰富的资源列表和基准测试代码，帮助研究人员和开发者更好地理解和应用扩散模型在视频编辑中的潜力。

AI-YinMei开源项目 – 多功能AI虚拟主播

AI吟美是一款多功能的人工智能虚拟主播（Vtuber），支持唱歌、绘画、语音合成、聊天等功能，并可在Bilibili直播中与观众互动。该项目集成了多个AI模型和服务，如GPT-SoVITS、Bert-VITS2语音合成、fastgpt聊天模型、stable-diffusion绘画模型等，支持多种舞蹈形式、场景切换和换装，提供详细的安装指南和配置文件，支持在Windows和Linux系统上运行，并且是开源项目，欢迎开发者贡献代码和提出改进建议。

flux开源项目 – 提升大模型训练效率的开源技术

Flux 是字节跳动开源的 MoE 架构优化技术「COMET」，旨在通过细粒度的计算与通信重叠来提高混合专家模型（MoE）的执行效率。该技术显著提升了模型训练的速度，降低了计算成本，并已在万卡集群中实战应用，累计节省了数百万 GPU 小时。Flux 完美兼容 DeepSeek DualPipe 方案，支持多种硬件环境稳定运行，且无需框架重构，即插即用。

personal-ai开源项目 – 本地化个人AI助手

Personal AI 是一个利用 Apple Shortcuts、Cloudflare Workers 和 Llama 3 组装的本地 AI 助手，无需额外硬件或月费。它通过 Apple Shortcuts 提供 ASR、TTS 和 HTTP 请求功能，并通过 Cloudflare Workers 处理文本和函数调用。该助手支持与 Llama 3 的集成，比所有 AI 可穿戴设备更快，并且可扩展以支持更复杂的函数调用和内存管理。

暂无评论

暂无评论...